CN113465615B - 车道线的生成方法及相关装置 - Google Patents
车道线的生成方法及相关装置 Download PDFInfo
- Publication number
- CN113465615B CN113465615B CN202110697852.0A CN202110697852A CN113465615B CN 113465615 B CN113465615 B CN 113465615B CN 202110697852 A CN202110697852 A CN 202110697852A CN 113465615 B CN113465615 B CN 113465615B
- Authority
- CN
- China
- Prior art keywords
- lane line
- point set
- feature point
- vehicle
- subsequent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
- G09B29/003—Maps
- G09B29/005—Map projections or methods associated specifically therewith
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请是关于一种车道线的生成方法及相关装置。该方法包括:获取设定时间段内车辆行驶中采集的包含车道线的图像,以及获取所述设定时间段内车辆的地理位置信息数据;根据所述车辆的地理位置信息数据,生成车辆移动轨迹线;根据所述图像,生成车道线特征点集;根据所述车道线特征点集中每一个车道线特征点到所述车辆移动轨迹线的距离,将所述车道线特征点集划分为至少一个同一车道线特征点集;根据至少一个所述同一车道线特征点集,生成至少一条初始车道线。本申请提供的方案,能够生成高精地图所需的车道线。
Description
技术领域
本申请涉及导航技术领域,尤其涉及一种车道线的生成方法及相关装置。
背景技术
高精地图是自动驾驶时代不可或缺的基础设施,车道线作为高精地图的基础要素,在高精地图生成过程中是转关重要的。
相关技术中,一般通过道路的激光点云数据生成高精地图,其主要依据不同物质的反射率差异,从激光点云中识别出车道线点云,进而基于车道线点云识别出车道线,或者通过人工在道路的激光点云数据中标定的方式生成车道线。
然而,利用激光点云的方法生成车道线,其成本太高,并且抗干扰能力差,容易出现误检。
发明内容
为解决或部分解决相关技术中存在的问题,本申请提供一种车道线的生成方法及相关装置,能够基于车辆采集的视频数据和定位信号进行高精地图所需车道线的制作。
本申请第一方面提供一种车道线的生成方法,包括:
获取设定时间段内车辆行驶中采集的包含车道线的图像,以及获取所述设定时间段内车辆的地理位置信息数据;
根据所述车辆的地理位置信息数据,生成车辆移动轨迹线;
根据所述图像,生成车道线特征点集;
根据所述车道线特征点集中每一个车道线特征点到所述车辆移动轨迹线的距离,将所述车道线特征点集划分为至少一个同一车道线特征点集;
根据至少一个所述同一车道线特征点集,生成至少一条初始车道线。
在一种实施方式中,所述根据至少一个所述同一车道线特征点集,生成至少一条初始车道线之后,还包括:
选取其中一条所述初始车道线作为优选车道线;
获取在所述设定时间段之后,车辆行驶中采集的包含车道线的后续图像;
根据所述后续图像,生成后续车道线特征点集;
根据所述后续车道线特征点集中每一个后续车道线特征点到所述优选车道线的距离,将所述后续车道线特征点集划分为原有车道线特征点集和/或至少一个新建车道线特征点集;
将所述原有车道线特征点集中的属于同一车道线的特征点加入对应所述同一车道线特征点集中,构建成至少一个同一车道线更新特征点集;
根据至少一个所述同一车道线更新特征点集,将原有的至少一条所述初始车道线,重新生成为至少一条后续车道线;
根据至少一个所述新建车道线特征点集,生成至少一条新增车道线。
在一种实施方式中,所述车辆移动轨迹线包括车辆实际行驶轨迹段与车辆行驶轨迹延伸段。
在一种实施方式中,所述初始车道线包括实际初始车道线段与车道线延伸段。
在一种实施方式中,所述根据所述车道线特征点集中每一个车道线特征点到所述车辆移动轨迹线的距离,将所述车道线特征点集划分为至少一个同一车道线特征点集,包括:
计算所述车道线特征点集中每一个车道线特征点到所述车辆移动轨迹线的最短距离,并作为第一计算距离;
根据各所述第一计算距离,将所述车道线特征点集划分为至少一个同一车道线特征点集;其中,所述同一车道线特征点集中的任意两个特征点对应的所述第一计算距离的差值在第一预设偏差范围内。
在一种实施方式中,所述根据所述后续车道线特征点集中每一个后续车道线特征点到所述优选车道线的距离,将所述后续车道线特征点集划分为原有车道线特征点集和/或至少一个新建车道线特征点集,包括:
计算所述后续车道线特征点集中每一个后续车道线特征点到所述优选车道线的最短距离,并作为第二计算距离;
根据各所述第二计算距离,将所述后续车道线特征点集划分为原有车道线特征点集和/或至少一个新建车道线特征点集;其中,所述新建车道线特征点集中的任意两个特征点对应的所述第二计算距离的差值在第二预设偏差范围内。
在一种实施方式中,所述选取其中一条所述初始车道线作为优选车道线,包括:
将每一条所述初始车道线按照预设评分规则进行评分,选取评分最高的一条所述初始车道线作为优选车道线。
本申请第二方面提供一种车道线的生成装置,包括:
第一获取单元,用于获取设定时间段内车辆行驶中采集的包含车道线的图像,以及获取所述设定时间段内车辆的地理位置信息数据;
第一生成单元,用于根据所述车辆的地理位置信息数据,生成车辆移动轨迹线;
第二生成单元,用于根据所述图像,生成车道线特征点集;
第一划分单元,用于根据所述车道线特征点集中每一个车道线特征点到所述车辆移动轨迹线的距离,将所述车道线特征点集划分为至少一个同一车道线特征点集;
第三生成单元,用于根据至少一个所述同一车道线特征点集,生成至少一条初始车道线。
本申请第三方面提供一种电子设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的方法。
本申请第四方面提供一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果:
本申请实施例提供的方法,根据车道线特征点集中每一个车道线特征点到车辆移动轨迹线的距离,将车道线特征点集划分为至少一个同一车道线特征点集。从而使得同一车道线特征点集中的特征点属于同一条车道线上的特征点,实现了对车道线特征点集的可靠且有效的划分工作,并保障了根据同一车道线特征点集所生成的初始车道线的正确性,车道线的生成效率高且可靠性强。
进一步的,本申请实施例提供的方法,车辆移动轨迹线包括车辆实际行驶轨迹段与车辆行驶轨迹延伸段,以利于得到车道线特征点集中每一个车道线特征点到车辆移动轨迹线的距离,从而便于将车道线特征点集划分为至少一个同一车道线特征点集。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述,本申请的上述以及其它目的、特征和优势将变得更加明显,其中,在本申请示例性实施方式中,相同的参考标号通常代表相同部件。
图1是本申请实施例示出的车道线的生成方法的流程示意图;
图2是本申请实施例示出的车道线的生成方法的另一流程示意图;
图3是本申请实施例示出的车道线的生成装置的结构示意图;
图4是本申请实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式,然而应该理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
相关技术中,利用激光点云的方法生成车道线,其成本太高,并且抗干扰能力差,容易出现误检。
针对上述问题,本申请实施例提供一种车道线的生成方法及相关装置,能够基于车辆采集的视频数据和定位信号进行高精地图所需车道线的制作。
以下结合附图详细描述本申请实施例的技术方案。
图1是本申请实施例示出的车道线的生成方法的流程示意图。
参见图1,该方法包括:
步骤S101、获取设定时间段内车辆行驶中采集的包含车道线的图像,以及获取设定时间段内车辆的地理位置信息数据。
在该步骤中,设定时间段可以是车辆从启动到行驶中的时间段,可以是车辆行驶中的任一个时间段,可以是车辆从行驶到停止的时间段,还可以是车辆从启动到停止的时间段,本实施例对此不作限制。
本申请实施例中,可以通过摄像装置来采集行车过程中的视频数据,其中,摄像装置可以包括但不限于安装于车辆上的行车记录仪、摄像头或司机的手机等具有摄像功能的装置。摄像装置可以设置于车辆的首部以采集其前方的视频,也可以设置于车辆的尾部以采集其后方的视频,这里不作限定。为了获得包含车道线的图像,需要对摄像装置获取的包含车道线的视频数据进行抽帧。通常,视频的帧率为每秒30帧,可以按照预置的规则对视频进行抽帧,例如,每秒抽10帧、15帧、20帧、30帧或其他值,从而获得包含车道线的图像。
另外,可通过车载或者手机等移动终端配置的定位系统来采集车辆的地理位置信息。定位系统可以包括但不限于GPS、北斗卫星定位系统、RTK定位系统等中的至少一种。车辆的地理位置信息数据用来确定车辆在设定时间段内的所有地理坐标。定位系统可以按照预设频率采集一次车辆的地理位置信息。例如,定位系统的数据记录频率为每秒一次,即每秒采集一次当时车辆的地理坐标点。若设定时间段为60秒,则定位系统采集到60个车辆的地理坐标点,设定时间段内车辆的地理位置信息数据包含60个车辆的地理坐标点。
步骤S102、根据车辆的地理位置信息数据,生成车辆移动轨迹线。
在该步骤中,车辆的地理位置信息数据包括设定时间段内定位系统采集到的车辆的每一个地理坐标点。在本实施例中,将设定时间段内车辆的各个地理坐标点,按照预设算法拟合成车辆移动轨迹线。具体的,可以将设定时间段内车辆的各个地理坐标点,按照B-spline算法(B样条曲线算法)拟合成车辆移动轨迹线。
可以理解,设定时间段的时间越长,车辆移动轨迹线就越长。优选的,在设定时间段内,根据车辆的地理位置信息数据,生成的车辆移动轨迹线为20 m,以保证最终所生成的车道线的可靠性。
步骤S103、根据图像,生成车道线特征点集。
在该步骤中,根据图像,生成车道线特征点集包括:对图像进行车道线识别,获取车道线特征点集的像素坐标,生成车道线特征点集的地理坐标。
在该步骤中,可以利于预设的车道线识别算法对图像进行车道线识别,从而获取车道线特征点集的像素坐标。车道线特征点集中的车道线特征点包括图像中识别到的所有车道线的特征点。车道线特征点可以是图像中任意一条车道线的任意一个像素点。
其中,车道线特征点集的地理坐标,即每一个车道线特征点的地理坐标。在该步骤中,利用车道线特征点集的像素坐标,以及设定时间段内车辆的地理位置信息数据,可以生成车道线特征点集的地理坐标。关于具体如何生成车道线特征点集的地理坐标,可参阅相关技术中的方案,此处不再进行赘述。
步骤S104、根据车道线特征点集中每一个车道线特征点到车辆移动轨迹线的距离,将车道线特征点集划分为至少一个同一车道线特征点集。
具体的,在一可选的实施方式中,步骤S104、根据车道线特征点集中每一个车道线特征点到车辆移动轨迹线的距离,将车道线特征点集划分为至少一个同一车道线特征点集的具体实施方式可以包括以下步骤:
11)计算车道线特征点集中每一个车道线特征点到车辆移动轨迹线的最短距离,并作为第一计算距离。
在该步骤中,第一计算距离,即车道线特征点到车辆移动轨迹线的最短距离。
12)根据各第一计算距离,将车道线特征点集划分为至少一个同一车道线特征点集。
在该步骤中,实现了对车道线特征点的类别划分,根据各第一计算距离,可以将车道线特征点集划分为至少一个同一车道线特征点集。例如,将第一计算距离相同的车道线特征点归属于同一车道线特征点集。具体的,例如,车道线特征点集包括A特征点、B特征点、C特征点以及D特征点,A特征点的第一计算距离(即A特征点到车辆移动轨迹线的最短距离)是2m,B特征点的第一计算距离是2m,C特征点的第一计算距离是3m,D特征点的第一计算距离是3m,则车道线特征点集划分为两个同一车道线特征点集,其中一个同一车道线特征点集包括A特征点与B特征点,另一个同一车道线特征点集包括C特征点与D特征点。
步骤S105、根据至少一个同一车道线特征点集,生成至少一条初始车道线。
在该步骤中,一个同一车道线特征点集,就生成一条初始车道线。例如,在步骤S104中,车道线特征点集划分为三个同一车道线特征点集,则在步骤S105中生成三条初始车道线。进一步的,可以通过预设算法,将同一车道线特征点集中的所有特征点拟合成为一条初始车道线。需要说明的是,设定时间段的时间越长,车辆移动轨迹线就越长,初始车道线也就越长。在一个优选实施例中,在设定时间段内,生成的车辆移动轨迹线为20 m,初始车道线也为20m。
从该实施例可以看出,根据车道线特征点集中每一个车道线特征点到车辆移动轨迹线的距离,将车道线特征点集划分为至少一个同一车道线特征点集。从而使得同一车道线特征点集中的特征点属于同一条车道线上的特征点,实现了对车道线特征点集的可靠且有效的划分工作,并保障了根据同一车道线特征点集所生成的初始车道线的正确性,车道线的生成效率高且可靠性强。
图2是本申请实施例的车道线的生成方法的另一流程示意图。图2相对图1更详细描述了本申请的方案。
参见图2,该方法包括:
步骤S201、获取设定时间段内车辆行驶中采集的包含车道线的图像,以及获取设定时间段内车辆的地理位置信息数据。
在该步骤中,设定时间段可以是车辆从启动到行驶中的时间段,可以是车辆行驶中的任一个时间段,可以是车辆从行驶到停止的时间段,还可以是车辆从启动到停止的时间段,本实施例对此不作限制。
本申请实施例中,可以通过摄像装置来采集行车过程中的视频数据,其中,摄像装置可以包括但不限于安装于车辆上的行车记录仪、摄像头或司机的手机等具有摄像功能的装置。摄像装置可以设置于车辆的首部以采集其前方的视频,也可以设置于车辆的尾部以采集其后方的视频,这里不作限定。为了获得包含车道线的图像,需要对摄像装置获取的包含车道线的视频数据进行抽帧。通常,视频的帧率为每秒30帧,可以按照预置的规则对视频进行抽帧,例如,每秒抽10帧、15帧、20帧、30帧或其他值,从而获得包含车道线的图像。
另外,可通过车载或者手机等移动终端配置的定位系统来采集车辆的地理位置信息。定位系统可以包括但不限于GPS、北斗卫星定位系统、RTK定位系统等中的至少一种。车辆的地理位置信息数据用来确定车辆在设定时间段内的所有地理坐标。定位系统可以按照预设频率采集一次车辆的地理位置信息。例如,定位系统的数据记录频率为每秒一次,即每秒采集一次当时车辆的地理坐标点。若设定时间段为60秒,则定位系统采集到60个车辆的地理坐标点,设定时间段内车辆的地理位置信息数据包含60个车辆的地理坐标点。
步骤S202、根据车辆的地理位置信息数据,生成车辆移动轨迹线。
在该步骤中,车辆的地理位置信息数据包括设定时间段内定位系统采集到的车辆的每一个地理坐标点。在本实施例中,将设定时间段内车辆的各个地理坐标点,按照B-spline算法(B样条曲线算法)拟合成车辆移动轨迹线。
可以理解,设定时间段的时间越长,车辆移动轨迹线就越长。优选的,在设定时间段内,根据车辆的地理位置信息数据,生成的车辆移动轨迹线为20 m,以保证最终所生成的车道线的可靠性。
步骤S203、根据图像,生成车道线特征点集。
在该步骤中,根据图像,生成车道线特征点集包括:对图像进行车道线识别,获取车道线特征点集的像素坐标,生成车道线特征点集的地理坐标。
在该步骤中,可以利于基于深度神经网络LaneNet的车道线检测算法对图像进行车道线识别,从而获取车道线特征点集的像素坐标。车道线特征点集中的车道线特征点包括图像中识别到的所有车道线的特征点。车道线特征点可以是图像中任意一条车道线的任意一个像素点。
需要说明的是,在步骤S201中,还可以采集设定时间段内的包含车道线的多张图像。为了获得包含车道线的多张图像,可以对摄像装置获取的包含车道线的视频数据进行抽帧处理,从而获得包含车道线的多张图像。从而在步骤S203中,对多张图像进行车道线识别,获取车道线特征点集的像素坐标。其中,车道线特征点可以是其中一张或者多张图像中的车道线特征点。
其中,车道线特征点集的地理坐标,即每一个车道线特征点的地理坐标。在该步骤中,利用车道线特征点集的像素坐标,以及设定时间段内车辆的地理位置信息数据,可以生成车道线特征点集的地理坐标。关于具体如何生成车道线特征点集的地理坐标,可参阅相关技术中的方案,此处不再进行赘述。
步骤S204、根据车道线特征点集中每一个车道线特征点到车辆移动轨迹线的距离,将车道线特征点集划分为至少一个同一车道线特征点集。
具体的,在一可选的实施方式中,步骤S204、根据车道线特征点集中每一个车道线特征点到车辆移动轨迹线的距离,将车道线特征点集划分为至少一个同一车道线特征点集的具体实施方式可以包括以下步骤:
13)计算车道线特征点集中每一个车道线特征点到车辆移动轨迹线的最短距离,并作为第一计算距离。
在该步骤中,第一计算距离,即车道线特征点到车辆移动轨迹线的最短距离。
在其中一个具体的实施方式中,车辆移动轨迹线包括车辆实际行驶轨迹段与车辆行驶轨迹延伸段。其中,车辆实际行驶轨迹段可以是根据设定时间段内车辆的各个地理坐标点所拟合生成的轨迹线段,车辆实际行驶轨迹段的首尾两个端点分别是定位系统最先与最后所采集到的地理坐标点。其中,车辆行驶轨迹延伸段可以是设定时间段内定位系统采集到的最后两个车辆的地理坐标点的连线方向的延长线,车辆行驶轨迹延伸段还可以是设定时间段内定位系统采集到的最后一个车辆的地理坐标点在车辆实际行驶轨迹段的切线。
可以理解,对于摄像装置采集到的包含车道线的图像,图像中的车道线是在当时车辆地理坐标位置的前方。通过将车辆移动轨迹线设定为包括车辆实际行驶轨迹段与车辆行驶轨迹延伸段,利于获取更多可靠且有效的第一计算距离,保障车道线特征点对应的第一计算距离的计算正确性及有效性。
14)根据各第一计算距离,将车道线特征点集划分为至少一个同一车道线特征点集。其中,同一车道线特征点集中的任意两个特征点对应的第一计算距离的差值在第一预设偏差范围内。
在该步骤中,实现了对车道线特征点的类别划分,根据各第一计算距离,可以将车道线特征点集划分为至少一个同一车道线特征点集。在本实施例中,同一车道线特征点集中的任意两个特征点对应的第一计算距离的差值在第一预设偏差范围内。例如,第一预设偏差范围可以为0~0.1m,那么同一车道线特征点集中的任意两个特征点对应的第一计算距离的差值不能大于0.1m。进一步的,例如,车道线特征点集包括A特征点、B特征点、C特征点以及D特征点,A特征点的第一计算距离(即A特征点到车辆移动轨迹线的最短距离)是1.9m,B特征点的第一计算距离是2m,C特征点的第一计算距离是3m,D特征点的第一计算距离是3.1m,第一预设偏差范围为0~0.1m,则车道线特征点集划分为两个同一车道线特征点集,其中一个同一车道线特征点集包括A特征点与B特征点,另一个同一车道线特征点集包括C特征点与D特征点。
步骤S205、根据至少一个同一车道线特征点集,生成至少一条初始车道线。
在该步骤中,一个同一车道线特征点集,就生成一条初始车道线。例如,在步骤S204中,车道线特征点集划分为三个同一车道线特征点集,则在步骤S205中生成三条初始车道线。进一步的,可以通过B-spline算法,将同一车道线特征点集中的所有特征点拟合成为一条初始车道线。需要说明的是,设定时间段的时间越长,车辆移动轨迹线就越长,初始车道线也就越长。在一个优选实施例中,在设定时间段内,生成的车辆移动轨迹线为20 m,初始车道线也为20m。
步骤S206、选取其中一条初始车道线作为优选车道线。
在本实施例中,选取其中一条初始车道线作为优选车道线,包括:将每一条初始车道线按照预设评分规则进行评分,选取评分最高的一条初始车道线作为优选车道线。
在该步骤中,在一个具体的实施方式中,根据车道线长度指标与拟合误差指标,对每一条初始车道线进行评分,选取评分最高的一条初始车道线作为优选车道线。其中,车道线长度指标可以用于评价初始车道线的实际长度。例如,不同实际长度的初始车道线对应不同的分值。其中,拟合误差指标可以用于评价初始车道线对应的同一车道线特征点集的选取偏差。例如,根据同一车道线特征点集对应的第一预设偏差范围的大小,对每一条初始车道线进行评分,第一预设偏差范围越小,对应分值越高。
步骤S207、获取在设定时间段之后,车辆行驶中采集的包含车道线的后续图像。
其中,后续图像可以是从设定时间段之后的视频数据中抽帧获得。
步骤S208、根据后续图像,生成后续车道线特征点集。
在该步骤中,根据后续图像,生成后续车道线特征点集包括:对后续图像进行车道线识别,获取后续车道线特征点集的像素坐标,生成后续车道线特征点集的地理坐标。
步骤S209、根据后续车道线特征点集中每一个后续车道线特征点到优选车道线的距离,将后续车道线特征点集划分为原有车道线特征点集和/或至少一个新建车道线特征点集。
具体的,在一可选的实施方式中,步骤S209、根据后续车道线特征点集中每一个后续车道线特征点到优选车道线的距离,将后续车道线特征点集划分为原有车道线特征点集和/或至少一个新建车道线特征点集的具体实施方式可以包括以下步骤:
15)计算后续车道线特征点集中每一个后续车道线特征点到优选车道线的最短距离,并作为第二计算距离。
在该步骤中,第二计算距离,即后续车道线特征点到车辆移动轨迹线的最短距离。后续车道线特征点可以是从后续图像识别到的车道线的任意一个特征点。
在其中一个具体的实施方式中,初始车道线包括实际初始车道线段与车道线延伸段。其中,实际初始车道线段可以是该初始车道线对应的同一车道线特征点集所拟合生成的线段,实际初始车道线段的首尾两个端点分别是首尾两端的同一车道线特征点的地理坐标点。其中,车道线延伸段可以是最末端的两个同一车道线特征点的连线方向的延长线,车道线延伸段还可以是最末端的一个同一车道线特征点在实际初始车道线段的切线。这样,优选车道线具有足够的长度,从而能够保障后续车道线特征点对应的第二计算距离的计算正确性及有效性。
16)根据各第二计算距离,将后续车道线特征点集划分为原有车道线特征点集和/或至少一个新建车道线特征点集;其中,新建车道线特征点集中的任意两个特征点对应的第二计算距离的差值在第二预设偏差范围内。
在该步骤中,实现了对后续车道线特征点的类别划分,根据各第二计算距离,可以将各后续车道线特征点划分为原有车道线特征点集或者新建车道线特征点集。
需要说明的是,根据步骤S205所生成的至少一条初始车道线,可以获知每一条初始车道线之间的相对距离,进而可以获知每一条初始车道线相对于优选车道线的相对距离。可以理解,两条初始车道线之间的相对距离,即一条初始车道线上一个特征点相对于另一条初始车道线上一个特征点的距离,而在步骤S203中,根据图像,可得到图像中车道线特征点的地理坐标信息,进而可以得知一条初始车道线上一个特征点相对于另一条初始车道线上一个特征点的距离,即可以获知每一条初始车道线之间的相对距离,可以获知每一条初始车道线相对于优选车道线的相对距离。
当后续车道线特征点的第二计算距离等于零,或者在预设误差值的范围内时,则表示该后续车道线特征点属于该优选车道线,即划分为原有车道线特征点集。其中,预设误差值可以取接近于0的数值,例如0.01m、0.005m或者0.1m等等。
当后续车道线特征点的第二计算距离等于其中一条初始车道线相对于优选车道线的相对距离,或者在其中一条初始车道线相对于优选车道线的相对距离与预设误差值的和的范围内时,则表示该后续车道线特征点属于该初始车道线,即划分为原有车道线特征点集。
当后续车道线特征点的第二计算距离不等于零、或者不在预设误差值的范围内时,以及当后续车道线特征点的第二计算距离不等于其中一条初始车道线相对于优选车道线的相对距离、或者不在其中一条初始车道线相对于优选车道线的相对距离与预设误差值的和的范围内时,则表示该后续车道线特征点划分为新建车道线特征点集。
在本实施例中,新建车道线特征点集中的任意两个特征点对应的第二计算距离的差值在第二预设偏差范围内。进一步的,对于新建车道线特征点集。当两个后续车道线特征点的第二计算距离的差值在第二预设偏差范围内,则表示这两个后续车道线特征点属于同一个新建车道线特征点集。当两个后续车道线特征点的第二计算距离的差值不在第二预设偏差范围内,则表示这两个后续车道线特征点不属于同一个新建车道线特征点集。
步骤S210、将原有车道线特征点集中的属于同一车道线的特征点加入对应同一车道线特征点集中,构建成至少一个同一车道线更新特征点集。
在该步骤中,在一个具体的实施方式中,原有车道线特征点集中的任意两个属于同一车道线的特征点对应的第二计算距离的差值在第三预设偏差范围内。可以理解,若原有车道线特征点集中的任意两个特征点的第二计算距离的差值在第三预设偏差范围内,则这两个特征点属于同一条车道线。若原有车道线特征点集中的任意两个特征点的第二计算距离的差值不在第三预设偏差范围内,则这两个特征点不属于同一条车道线。也就是说,原有车道线特征点集中的各特征点分别属于不同的车道线,通过步骤S210,对原有车道线特征点集中的特征点作出了进一步的划分,将原有车道线特征点集中的属于同一车道线的特征点加入对应同一车道线特征点集中,从而将同一车道线特征点集重新构建为同一车道线更新特征点集。
步骤S211、根据至少一个同一车道线更新特征点集,将原有的至少一条初始车道线,重新生成为至少一条后续车道线。
步骤S212、根据至少一个新建车道线特征点集,生成至少一条新增车道线。
步骤S211~S212中关于生成车道线的具体方式可以参考步骤S205中的描述,此处不再进行赘述。
进一步的,可以对每一条后续车道线以及每一条新增车道线进行编号。具体的,可以根据每一条后续车道线以及每一条新增车道线所处空间位置的不同,分别设为不同的编号。
从该实施例可以看出,获取后续图像后,通过计算后续图像中各后续车道线特征点的第二计算距离,可以对所有后续车道线特征点进行划分。通过将后续车道线特征点集划分为原有车道线特征点集和/或至少一个新建车道线特征点集,从而能够将初始车道线重新生成为后续车道线,还能够生成新增车道线。这样,通过不断地获取后续图像,可以对原有车道线进行更新,车道线的生成效率高,车道线的生成正确性强,可靠程度高。
与前述应用功能实现方法实施例相对应,本申请还提供了一种车道线的生成装置的实施例。
图3是本申请实施例示出的车道线的生成装置的结构示意图。
参见图3,本申请实施例提供一种车道线的生成装置,包括:
第一获取单元301,用于获取设定时间段内车辆行驶中采集的包含车道线的图像,以及获取设定时间段内车辆的地理位置信息数据。
第一生成单元302,用于根据车辆的地理位置信息数据,生成车辆移动轨迹线。
第二生成单元303,用于根据图像,生成车道线特征点集。
第一划分单元304,用于根据车道线特征点集中每一个车道线特征点到车辆移动轨迹线的距离,将车道线特征点集划分为至少一个同一车道线特征点集。
第三生成单元305,用于根据至少一个同一车道线特征点集,生成至少一条初始车道线。
可选的,图3所示的装置还可以包括:
选取单元,用于选取其中一条初始车道线作为优选车道线。
第二获取单元,用于获取在设定时间段之后,车辆行驶中采集的包含车道线的后续图像。
第四生成单元,用于根据后续图像,生成后续车道线特征点集。
第二划分单元,用于根据后续车道线特征点集中每一个后续车道线特征点到优选车道线的距离,将后续车道线特征点集划分为原有车道线特征点集和/或至少一个新建车道线特征点集。
第一构建单元,用于将原有车道线特征点集中的属于同一车道线的特征点加入对应同一车道线特征点集中,构建成至少一个同一车道线更新特征点集。
第五生成单元,用于根据至少一个同一车道线更新特征点集,将原有的至少一条初始车道线,重新生成为至少一条后续车道线。
第六生成单元,用于根据至少一个新建车道线特征点集,生成至少一条新增车道线。
实施图3所示的装置,能够基于车辆采集的视频数据和定位信号进行高精地图所需车道线的制作。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不再做详细阐述说明。
图4是本申请实施例示出的电子设备的结构示意图。
参见图4,电子设备400包括存储器410和处理器420。
处理器420可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器410可以包括各种类型的存储单元,例如系统内存、只读存储器(ROM),和永久存储装置。其中,ROM可以存储处理器420或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器410可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器410可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器410上存储有可执行代码,当可执行代码被处理器420处理时,可以使处理器420执行上文述及的方法中的部分或全部。
此外,根据本申请的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本申请还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当可执行代码(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时,使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种车道线的生成方法,其特征在于,包括:
获取设定时间段内车辆行驶中采集的包含车道线的图像,以及获取所述设定时间段内车辆的地理位置信息数据;
根据所述车辆的地理位置信息数据,生成车辆移动轨迹线;
根据所述图像,生成车道线特征点集;
根据所述车道线特征点集中每一个车道线特征点到所述车辆移动轨迹线的距离,将所述车道线特征点集划分为至少一个同一车道线特征点集;
根据至少一个所述同一车道线特征点集,生成至少一条初始车道线;
选取其中一条所述初始车道线作为优选车道线;
获取在所述设定时间段之后,车辆行驶中采集的包含车道线的后续图像;
根据所述后续图像,生成后续车道线特征点集;
根据所述后续车道线特征点集中每一个后续车道线特征点到所述优选车道线的距离,将所述后续车道线特征点集划分为原有车道线特征点集和/或至少一个新建车道线特征点集;
将所述原有车道线特征点集中的属于同一车道线的特征点加入对应所述同一车道线特征点集中,构建成至少一个同一车道线更新特征点集;
根据至少一个所述同一车道线更新特征点集,将原有的至少一条所述初始车道线,重新生成为至少一条后续车道线;
根据至少一个所述新建车道线特征点集,生成至少一条新增车道线。
2.根据权利要求1所述的方法,其特征在于,所述车辆移动轨迹线包括车辆实际行驶轨迹段与车辆行驶轨迹延伸段。
3.根据权利要求1所述的方法,其特征在于,所述初始车道线包括实际初始车道线段与车道线延伸段。
4.根据权利要求1所述的方法,其特征在于,所述根据所述车道线特征点集中每一个车道线特征点到所述车辆移动轨迹线的距离,将所述车道线特征点集划分为至少一个同一车道线特征点集,包括:
计算所述车道线特征点集中每一个车道线特征点到所述车辆移动轨迹线的最短距离,并作为第一计算距离;
根据各所述第一计算距离,将所述车道线特征点集划分为至少一个同一车道线特征点集;其中,所述同一车道线特征点集中的任意两个特征点对应的所述第一计算距离的差值在第一预设偏差范围内。
5.根据权利要求1所述的方法,其特征在于,所述根据所述后续车道线特征点集中每一个后续车道线特征点到所述优选车道线的距离,将所述后续车道线特征点集划分为原有车道线特征点集和/或至少一个新建车道线特征点集,包括:
计算所述后续车道线特征点集中每一个后续车道线特征点到所述优选车道线的最短距离,并作为第二计算距离;
根据各所述第二计算距离,将所述后续车道线特征点集划分为原有车道线特征点集和/或至少一个新建车道线特征点集;其中,所述新建车道线特征点集中的任意两个特征点对应的所述第二计算距离的差值在第二预设偏差范围内。
6.根据权利要求1所述的方法,其特征在于,所述选取其中一条所述初始车道线作为优选车道线,包括:
将每一条所述初始车道线按照预设评分规则进行评分,选取评分最高的一条所述初始车道线作为优选车道线。
7.一种车道线的生成装置,其特征在于,包括:
第一获取单元,用于获取设定时间段内车辆行驶中采集的包含车道线的图像,以及获取所述设定时间段内车辆的地理位置信息数据;
第一生成单元,用于根据所述车辆的地理位置信息数据,生成车辆移动轨迹线;
第二生成单元,用于根据所述图像,生成车道线特征点集;
第一划分单元,用于根据所述车道线特征点集中每一个车道线特征点到所述车辆移动轨迹线的距离,将所述车道线特征点集划分为至少一个同一车道线特征点集;
第三生成单元,用于根据至少一个所述同一车道线特征点集,生成至少一条初始车道线;
选取单元,用于选取其中一条所述初始车道线作为优选车道线;
第二获取单元,用于获取在所述设定时间段之后,车辆行驶中采集的包含车道线的后续图像;
第四生成单元,用于根据所述后续图像,生成后续车道线特征点集;
第二划分单元,用于根据所述后续车道线特征点集中每一个后续车道线特征点到所述优选车道线的距离,将所述后续车道线特征点集划分为原有车道线特征点集和/或至少一个新建车道线特征点集;
第一构建单元,用于将所述原有车道线特征点集中的属于同一车道线的特征点加入对应所述同一车道线特征点集中,构建成至少一个同一车道线更新特征点集;
第五生成单元,用于根据至少一个所述同一车道线更新特征点集,将原有的至少一条所述初始车道线,重新生成为至少一条后续车道线;
第六生成单元,用于根据至少一个所述新建车道线特征点集,生成至少一条新增车道线。
8.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1-6中任一项所述的方法。
9.一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697852.0A CN113465615B (zh) | 2021-06-23 | 2021-06-23 | 车道线的生成方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697852.0A CN113465615B (zh) | 2021-06-23 | 2021-06-23 | 车道线的生成方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113465615A CN113465615A (zh) | 2021-10-01 |
CN113465615B true CN113465615B (zh) | 2021-11-09 |
Family
ID=77869228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110697852.0A Active CN113465615B (zh) | 2021-06-23 | 2021-06-23 | 车道线的生成方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113465615B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782638B (zh) * | 2022-06-17 | 2022-09-09 | 小米汽车科技有限公司 | 生成车道线的方法、装置、车辆、存储介质及芯片 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009237901A (ja) * | 2008-03-27 | 2009-10-15 | Zenrin Co Ltd | 路面標示地図生成方法 |
CN106570446A (zh) * | 2015-10-12 | 2017-04-19 | 腾讯科技(深圳)有限公司 | 车道线提取的方法和装置 |
CN108036794A (zh) * | 2017-11-24 | 2018-05-15 | 华域汽车系统股份有限公司 | 一种高精度地图生成系统及生成方法 |
CN110906940A (zh) * | 2019-10-26 | 2020-03-24 | 武汉中海庭数据技术有限公司 | 一种基于轨迹方向的车道边线聚合方法 |
CN111815742A (zh) * | 2020-09-14 | 2020-10-23 | 蘑菇车联信息科技有限公司 | 一种车道线生成方法及系统 |
CN112036359A (zh) * | 2020-09-10 | 2020-12-04 | 湖北亿咖通科技有限公司 | 一种车道线的拓扑信息获得方法、电子设备及存储介质 |
CN112595335A (zh) * | 2021-01-15 | 2021-04-02 | 智道网联科技(北京)有限公司 | 一种智慧交通行车停止线的生成方法及相关装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6128584B2 (ja) * | 2013-01-16 | 2017-05-17 | 株式会社Soken | 走行経路生成装置 |
CN103234542B (zh) * | 2013-04-12 | 2015-11-04 | 东南大学 | 基于视觉的汽车列车弯道行驶轨迹测量方法 |
CN106323301B (zh) * | 2015-06-29 | 2020-05-12 | 北京四维图新科技股份有限公司 | 一种道路情报的获取方法及装置 |
EP3327669B1 (en) * | 2016-11-26 | 2022-01-05 | Thinkware Corporation | Image processing apparatus, image processing method, computer program and computer readable recording medium |
CN109584706B (zh) * | 2018-10-31 | 2021-08-03 | 百度在线网络技术(北京)有限公司 | 电子地图车道线处理方法、设备及计算机可读存储介质 |
CN112906583B (zh) * | 2021-02-25 | 2024-04-09 | 北京经纬恒润科技股份有限公司 | 一种车道线检测方法及装置 |
-
2021
- 2021-06-23 CN CN202110697852.0A patent/CN113465615B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009237901A (ja) * | 2008-03-27 | 2009-10-15 | Zenrin Co Ltd | 路面標示地図生成方法 |
CN106570446A (zh) * | 2015-10-12 | 2017-04-19 | 腾讯科技(深圳)有限公司 | 车道线提取的方法和装置 |
CN108036794A (zh) * | 2017-11-24 | 2018-05-15 | 华域汽车系统股份有限公司 | 一种高精度地图生成系统及生成方法 |
CN110906940A (zh) * | 2019-10-26 | 2020-03-24 | 武汉中海庭数据技术有限公司 | 一种基于轨迹方向的车道边线聚合方法 |
CN112036359A (zh) * | 2020-09-10 | 2020-12-04 | 湖北亿咖通科技有限公司 | 一种车道线的拓扑信息获得方法、电子设备及存储介质 |
CN111815742A (zh) * | 2020-09-14 | 2020-10-23 | 蘑菇车联信息科技有限公司 | 一种车道线生成方法及系统 |
CN112595335A (zh) * | 2021-01-15 | 2021-04-02 | 智道网联科技(北京)有限公司 | 一种智慧交通行车停止线的生成方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113465615A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6595182B2 (ja) | マッピング、位置特定、及び姿勢補正のためのシステム及び方法 | |
CN110599794B (zh) | 一种基于车联网的智能找车方法及系统 | |
CN111815742A (zh) | 一种车道线生成方法及系统 | |
CN113112524A (zh) | 自动驾驶中移动对象的轨迹预测方法、装置及计算设备 | |
CN115205803A (zh) | 自动驾驶环境感知方法、介质及车辆 | |
CN113465615B (zh) | 车道线的生成方法及相关装置 | |
CN113139031A (zh) | 用于自动驾驶的交通标识的生成方法及相关装置 | |
CN114463984B (zh) | 车辆轨迹显示方法及相关设备 | |
CN115135963A (zh) | 用于在场景地图中生成3d参考点的方法 | |
CN112633812B (zh) | 货运车辆的轨迹分段方法、装置、设备及存储介质 | |
CN112595335B (zh) | 一种智慧交通行车停止线的生成方法及相关装置 | |
CN113324560A (zh) | 一种获取车辆里程的方法、系统及计算机可读介质 | |
CN111488771B (zh) | Ocr挂接方法、装置与设备 | |
CN112598314B (zh) | 智能驾驶汽车的感知置信度确定方法、装置、设备及介质 | |
CN113611120A (zh) | 车辆位置信息预测方法、装置及设备 | |
CN114228741A (zh) | 用于自动驾驶车辆的车道保持方法及装置 | |
CN112556702A (zh) | 一种车辆移动轨迹的高度修正方法及相关装置 | |
CN113724390A (zh) | 匝道生成方法及装置 | |
CN113538546B (zh) | 用于自动驾驶的目标检测方法、装置及设备 | |
CN112991434B (zh) | 自动驾驶交通标识信息的生成方法及相关装置 | |
CN115795070B (zh) | 检测地图过期路牌的方法、装置、电子设备和存储介质 | |
CN116303866B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN116067397A (zh) | 获取高精地图的绝对精度方法及装置 | |
CN114863383A (zh) | 一种智慧交通圆形路牌的生成方法及相关装置 | |
CN111931755A (zh) | 空间标志识别方法及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |